Deuda Total de los Hogares

Column

Chart A

Chart B

Column

Chart D

81654

Chart E

$18.862.714

Deuda Hipotecaria

Column

Chart A

Chart B

Column

Chart D

32860

Chart E

6448

Chart F

4929

Chart G

$15.684.168

Deuda Tarjetas de Crédito Casas Comerciales

Column

Chart A

Column

Chart D

31000

Chart E

12710

Chart F

1457

Chart G

$226.160,5

Deuda Créditos de Consumo Casas Comerciales

Column

Chart A

Column

Chart D

31000

Chart E

2635

Chart F

217

Chart G

$123.805,1

Deuda Automotriz

Column

Chart A

Column

Chart D

6572

Chart E

1860

Chart F

589

Chart G

$222.194,4

Deuda Educacional

Column

Chart A

Column

Chart D

16523

Chart E

3286

Chart F

1674

Chart G

$480.313,2
---
title: "Dashboard"
output: 
  flexdashboard::flex_dashboard:
    theme: cerulean
    orientation: columns
    vertical_layout: fill
    source_code: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
library(dplyr)
library(readr)
library(haven)
library(leaflet) 
library(sf)
library(viridis)
library(ggplot2)
library(plotly)
library(DT)
library(gganimate)
library(ggthemes)
library(forcats)
library(treemapify)
library(waffle)
library(ggalt)
library(tidyquant)
```

<style>
.tipo1{
  fill: #AC75D6; 
  stroke: #FFFFFF; 
  stroke-width: 10;
}

.tipo2:hover{
  transition: 1s fill; 
  fill: #000000;
}

.tipo3:hover{
  fill: #EAA81C; 
  transition: 1s fill; 
}
</style>


Deuda Total de los Hogares 
===============================================

Column {.tabset}
-----------------------------------------------------------------------

### Chart A

```{r Bases}
#Base de datos: EFH 2021
EFH_2021= read_dta("datos/Base imputada EFH 2021.dta")
#Base con las variables que se pueden ocupar:
EFH <- subset(EFH_2021, select = c(factor, genero_ent, edad_ent, macrozona,
             educ_ent, neduc_ent,
             ylabh, ypenh, ysubh, ytotef,
             t_dhip, t_tcbco, t_lcbco, t_pbco,
             t_tcc, t_pcc, t_dauto, t_deduc,
             t_dnhip, t_dtoth,
             d_tothip, d_tcbco, d_lcbco, d_pbco, d_tcc,d_pcc,
             d_auto, d_educ, d_toth, 
             div_vp, cf_dtbco,cf_dlbco ,cf_dpbco, cf_dtcc, cf_dauto, cf_deduc,
             cf_dnhip, cf_dtoth,
             rci_dhip,rci_dnhip,rci_dt))

#Base para tenencias de deuda: 
EFH_2 = subset(EFH_2021, select = c(factor, genero_ent, edad_ent, macrozona,
             educ_ent, neduc_ent,
             t_dhip, t_tcbco, t_lcbco, t_pbco,
             t_tcc, t_pcc, t_dauto, t_deduc,
             t_dnhip, t_dtoth))

#Renombrar variables: 
EFH_2 = EFH_2%>%rename(Gender = genero_ent,
                       Edad = edad_ent, 
                       Zona = macrozona, 
                       Años_educacion = educ_ent,
                       Nivel_educacion = neduc_ent,
                       Tenencia_deuda_hipotecaria = t_dhip,
                       Tenencia_deuda_tc_bancarias = t_tcbco, 
                       Tenencia_deuda_linea_credito_bancario =t_lcbco,
                       Tenencia_deuda_credito_consumo_bancario = t_pbco,
                       Tenencia_deuda_tc_casas_comerciales = t_tcc,
                       Tenencia_deuda_credito_consumo_casas_comerciales = t_pcc,
                       Tenencia_deuda_automotriz = t_dauto,
                       Tenencia_deuda_creditos_educacionales = t_deduc,
                       Tenencia_deuda_total_no_hipotecaria = t_dnhip,
                       Tenencia_deuda_total = t_dtoth)
EFH_2$Gender <- factor(
  EFH_2$Gender, levels = c(0, 1),
  labels = c("Mujer", 
             "Hombre"))

#Base Montos de deudas: 
EFH_3 = subset(EFH_2021, select = c(factor, genero_ent, edad_ent, macrozona,
             educ_ent, neduc_ent,
             d_tothip, d_tcbco, d_lcbco, d_pbco, d_tcc,d_pcc,
             d_auto, d_educ, d_toth))

#Renombrar variables: 
EFH_3 = EFH_3%>%rename(Gender = genero_ent,
                       Edad = edad_ent, 
                       Zona = macrozona, 
                       Años_educacion = educ_ent,
                       Nivel_educacion = neduc_ent,
                       Monto_deuda_hipotecaria = d_tothip,
                       Monto_deuda_tc_bancarias = d_tcbco,
                       Monto_deuda_linea_credito_bancaria = d_lcbco,
                       Monto_deuda_credito_consumo_bancario = d_pbco,
                       Monto_deuda_tc_casas_comerciales = d_tcc,
                       Monto_deuda_credito_casas_comerciales = d_pcc,
                       Monto_deuda_automotriz = d_auto,
                       Monto_deuda_educacional = d_educ,
                       Monto_deuda_total_hogar=d_toth)

#Base carga financiera: 
EFH_4 = subset(EFH_2021, select = c(factor, genero_ent, edad_ent, macrozona,
             educ_ent, neduc_ent, 
             div_vp, cf_dtbco,cf_dlbco ,cf_dpbco, cf_dtcc, cf_dauto, cf_deduc,
             cf_dnhip, cf_dtoth))

EFH_4 = EFH_4%>%rename(Gender = genero_ent,
                       Edad = edad_ent, 
                       Zona = macrozona, 
                       Años_educacion = educ_ent,
                       Nivel_educacion = neduc_ent,
                       Carga_financiera_deuda_hipotecaria = div_vp,
                       Carga_financiera_deuda_tc_bancarias =cf_dtbco,
                       Carga_financiera_deuda_linea_credito_bancaria = cf_dlbco,
                       Carga_financiera_deuda_credito_consumo_bancario = cf_dpbco,
                       Carga_financiera_deuda_tc_casas_comerciales = cf_dtcc,
                       Carga_financiera_deuda_automotriz = cf_dauto,
                       Carga_financiera_deuda_educacion = cf_deduc,
                       Carga_financiera_deuda_total_no_hip = cf_dnhip,
                       Carga_financiera_deuda_total = cf_dtoth)

#Base ratios de endeudamiento:
EFH_5 <- subset(EFH_2021, select = c(factor, genero_ent, edad_ent, macrozona,
             educ_ent, neduc_ent,
             rci_dhip,rci_dnhip,rci_dt))
EFH_5 = EFH_5%>%rename(Gender = genero_ent,
                       Edad = edad_ent, 
                       Zona = macrozona, 
                       Años_educacion = educ_ent,
                       Nivel_educacion = neduc_ent,
                       Ratio_Deuda_Hipotecaria = rci_dhip,
                       Ratio_Deuda_no_Hipotecaria = rci_dnhip,
                       Ratio_Deuda_Total = rci_dt)
EFH_5$Nivel_educacion <- factor(
  EFH_5$Nivel_educacion, levels = c(0, 1, 2, 3, 4, 5, 6),
  labels = c("Sin educación", 
             "Educación diferencial", 
             "Educación básica",
             "Educación media", 
             "CFT o IP", 
             "Universitaria", 
             "Postgrado"))
```

```{r}
# Gráfico tenencia deuda total sg sexo

# Filtrar los datos para aquellos con Tenencia_deuda_total igual a 1
datos_filtrados <- filter(EFH_2, Tenencia_deuda_total == 1)

# Contar la cantidad de hombres y mujeres
conteo <- datos_filtrados %>% count(Gender)
```

```{r}
plot_ly(data = conteo, labels = ~Gender, values = ~n, type = "pie") %>%
  layout(title = "Tenencia de Deuda Total por Género",
         xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         showlegend = TRUE) %>%
   add_trace(marker = list(colors = c("#7a0571", "#057a49")))
```

### Chart B

```{r}
# Gráfico barras ratios de endeudamiento deuda total sg nivel de educación:  
EFH_5 %>%
  filter(!is.na(Nivel_educacion) & !is.na(Ratio_Deuda_Total)) %>%
  plot_ly(x = ~Nivel_educacion, y = ~Ratio_Deuda_Total, type = "bar",
          color = ~Nivel_educacion, colors = c("#F7DC6F", "#F5B041", "#E74C3C", "#5DADE2", "#2ECC71")) %>%
  layout(title = "Ratios de Endeudamiento Total según niveles educativos",
         xaxis = list(title = "Niveles de educación"),
         yaxis = list(title = "Ratio deuda total", range = c(0, 1.5), tick0 = 0.2, dtick = 0.2),
         legend = list(
           orientation = "h",
           xanchor = "center",
           x = 0.5,
           y = -0.2
         ),
         bargap = 0.2) %>%
  config(displayModeBar = FALSE)

```


Column 
----------------------------------------------------------------------

### Chart D

```{r}
# Banner n° tenencia deuda cualquier tipo (deuda total): 

# Contar el número total de personas con tenencia de deuda total (valor 1)
num_deuda_total <- sum(EFH_2$Tenencia_deuda_total == 1, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(num_deuda_total),
         caption = "Personas con tenencia de deuda de cualquier tipo (hipotecaria o no hipotecaria", 
         icon ="fa-solid fa-people-group")
```


### Chart E

```{r}
# Calcular el promedio del monto de la deuda total del hogar
monto_promedio_total <- mean(EFH_3$Monto_deuda_total_hogar, na.rm = TRUE)
monto_promedio_total <- paste0("$", format(monto_promedio_total, big.mark = ".", decimal.mark = ","))
```

```{r}
valueBox(prettyNum(monto_promedio_total),
         caption = "Monto Promedio deuda total en hogares", 
         icon ="fa-solid fa-sack-dollar fa-shake")
```



Deuda Hipotecaria
===============================================

Column {.tabset}
-----------------------------------------------------------------------

### Chart A


```{r}
# Gráfico torta tenencia deuda hipotecaria según sexo: 

# Filtrar los datos para aquellos con Tenencia_deuda_hipotecaria igual a 1
datos_filtrados_hip <- filter(EFH_2, Tenencia_deuda_hipotecaria == 1)

# Contar la cantidad de hombres y mujeres
conteo_hip <- datos_filtrados_hip %>% count(Gender)
```

```{r}
plot_ly(data = conteo_hip, labels = ~Gender, values = ~n, type = "pie") %>%
  layout(title = "Tenencia de Deuda Hipotecaria por Género",
         xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         showlegend = TRUE) %>%
   add_trace(marker = list(colors = c("#7a0571", "#057a49")))

```

### Chart B

```{r}
# Gráfico de barras ratio de endeudamiento con deuda hipotecaria sg nivel educacion

EFH_5 %>%
  filter(!is.na(Nivel_educacion) & !is.na(Ratio_Deuda_Hipotecaria)) %>%
  plot_ly(x = ~Nivel_educacion, y = ~Ratio_Deuda_Total, type = "bar",
          color = ~Nivel_educacion, colors = c("#F7DC6F", "#F5B041", "#E74C3C", "#5DADE2", "#2ECC71")) %>%
  layout(title = "Ratios de Endeudamiento Total según niveles educativos",
         xaxis = list(title = "Niveles de educación"),
         yaxis = list(title = "Ratio deuda total", range = c(0, 1.5), tick0 = 0.2, dtick = 0.2),
         legend = list(
           orientation = "h",
           xanchor = "center",
           x = 0.5,
           y = -0.2
         ),
         bargap = 0.2) %>%
  config(displayModeBar = FALSE)
```


Column 
----------------------------------------------------------------------

### Chart D

```{r}
# Banner n° total de personas con tenencia deuda hipotecaria:
num_deuda_hipotecaria <- sum(EFH_2$Tenencia_deuda_hipotecaria == 1, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(num_deuda_hipotecaria),
         caption = "Personas con tenencia de deuda hipotecaria", 
         icon ="fa-solid fa-house-chimney")
```



### Chart E

```{r}
# Banner n° personas con educación básica(2) con tenencia de deuda hipotecaría. 
hip_basic <- sum(EFH_2$Tenencia_deuda_hipotecaria == 1 &
                      EFH_2$Nivel_educacion == 2, na.rm = TRUE)

```


```{r}
valueBox(prettyNum(hip_basic),
         caption = "Personas con educación básica con tenencia deuda hipotecaria", 
         icon ="fa-solid fa-house-chimney")
```




### Chart F
```{r}
# Banner n° personas con universitaria(5) con tenencia deuda hipotecaria: 
hip_uni <- sum(EFH_2$Tenencia_deuda_hipotecaria == 1 &
                      EFH_2$Nivel_educacion == 5, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(hip_uni),
         caption = "Personas con educación universitaria con tenencia deuda hipotecaria", 
         icon ="fa-solid fa-house-chimney")
```


### Chart G
```{r}
# Banner n° monto promedio deuda hipotecaria.
monto_promedio_hip <- mean(EFH_3$Monto_deuda_hipotecaria, na.rm = TRUE)
monto_promedio_hip<- paste0("$", format(monto_promedio_hip, big.mark = ".", decimal.mark = ","))
```

```{r}
valueBox(prettyNum(monto_promedio_hip),
         caption = "Monto Promedio deuda hipotecaria en hogares", 
         icon ="fa-solid fa-sack-dollar fa-shake")
```


Deuda Tarjetas de Crédito Casas Comerciales
===============================================

Column {.tabset}
-----------------------------------------------------------------------

### Chart A

```{r}
# Gráfico torta tenencia deuda tc casas comerciales sg sexo 
# Filtrar los datos para aquellos con Tenencia_deuda_tc_casas_comerciales igual a 1
datos_filtrados_tc <- filter(EFH_2, Tenencia_deuda_tc_casas_comerciales == 1)

# Contar la cantidad de hombres y mujeres
conteo_tc<- datos_filtrados_tc %>% count(Gender)
```

```{r}
plot_ly(data = conteo_tc, labels = ~Gender, values = ~n, type = "pie") %>%
  layout(title = "Tenencia de Deuda Tarjetas de Crédito de Casas comerciales según Género",
         xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         showlegend = TRUE) %>%
   add_trace(marker = list(colors = c("#7a0571", "#057a49")))
```

Column 
----------------------------------------------------------------------

### Chart D

```{r}
# Banner n° total de personas con deuda tc casas comerciales: 
num_deuda_tc <- sum(EFH_2$Tenencia_deuda_tc_casas_comerciales == 1, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(num_deuda_tc),
         caption = "Personas con tenencia de deuda en tarjetas de crédito de casas comerciales", 
         icon ="fa-regular fa-credit-card")

```

### Chart E

```{r}
# Banner n° personas con educación básica con tenencia de deuda tc casas comerciales. 
tc_basic <- sum(EFH_2$Tenencia_deuda_tc_casas_comerciales == 1 &
                      EFH_2$Nivel_educacion == 2, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(tc_basic),
         caption = "Personas con educación básica con tenencia deuda en tarjetas de crédito de casas comerciales", 
         icon ="fa-regular fa-credit-card")
```



### Chart F

```{r}
# Banner n° personas con universitaria con tenencia deuda tc casas comerciales
tc_uni <- sum(EFH_2$Tenencia_deuda_tc_casas_comerciales == 1 &
                      EFH_2$Nivel_educacion == 5, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(tc_uni),
         caption = "Personas con educación universitarias con tenencia deuda en tarjetas de crédito de casas comerciales", 
         icon ="fa-regular fa-credit-card")
```

### Chart G

```{r}
# Banner n° monto promedio deuda tc casas comerciales
# Calcular el promedio del monto de la deuda tc casas comerciales

monto_promedio_tc <- mean(EFH_3$Monto_deuda_tc_casas_comerciales, na.rm = TRUE)
monto_promedio_tc <- paste0("$", format(monto_promedio_tc, big.mark = ".", decimal.mark = ","))
```

```{r}
valueBox(prettyNum(monto_promedio_tc),
         caption = "Monto Promedio deuda de tarjetas de crédito de casas comerciales", 
         icon = "fa-solid fa-sack-dollar fa-shake")
```


Deuda Créditos de Consumo Casas Comerciales
===============================================

Column {.tabset}
-----------------------------------------------------------------------

### Chart A

```{r}
# Gráfico torta tenencia deuda crédito casas comerciales sg sexo 
# Filtrar los datos para aquellos con Tenencia_deuda_tc_casas_comerciales igual a 1
datos_filtrados_cred <- filter(EFH_2, Tenencia_deuda_credito_consumo_casas_comerciales == 1)

# Contar la cantidad de hombres y mujeres
conteo_cred<- datos_filtrados_cred %>% count(Gender)
```

```{r}
 plot_ly(data = conteo_cred, labels = ~Gender, values = ~n, type = "pie") %>%
  layout(title = "Tenencia de Deuda Créditos de Consumo de Casas comerciales según Género",
         xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         showlegend = TRUE) %>%
   add_trace(marker = list(colors = c("#7a0571", "#057a49")))
```


Column 
----------------------------------------------------------------------

### Chart D

```{r}
# Banner n° total de personas con deuda crédito casas comerciales: 
num_deuda_cred <- sum(EFH_2$Tenencia_deuda_credito_consumo_casas_comerciales == 1, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(num_deuda_tc),
         caption = "Personas con tenencia de deuda de crédito de consumo en casas comerciales", 
         icon ="fa-solid fa-file-invoice-dollar")
```


### Chart E

```{r}
# Banner personas con educacion básica y tenencia deuda crédito casas comerciales
cred_basic <- sum(EFH_2$Tenencia_deuda_credito_consumo_casas_comerciales == 1 &
                      EFH_2$Nivel_educacion == 2, na.rm = TRUE)

```

```{r}
valueBox(prettyNum(cred_basic),
         caption = "Personas con educación básica con tenencia de deuda de crédito de consumo en casas comerciales", 
         icon ="fa-solid fa-file-invoice-dollar")

```


### Chart F

```{r}
# Banner personas con educación universitaria y tenencia deuda crédito casas comerciales
cred_uni <- sum(EFH_2$Tenencia_deuda_credito_consumo_casas_comerciales == 1 &
                      EFH_2$Nivel_educacion == 5, na.rm = TRUE)
```


```{r}
valueBox(prettyNum(cred_uni),
         caption = "Personas con educación universitaria con tenencia de deuda de crédito de consumo en casas comerciales", 
         icon ="fa-solid fa-file-invoice-dollar")
```

### Chart G

```{r}
# Banner n° monto promedio deuda crédito casas comerciales: 
# Calcular el promedio del monto de la deuda crédito casas comerciales

monto_promedio_cred <- mean(EFH_3$Monto_deuda_credito_casas_comerciales, na.rm = TRUE)
monto_promedio_cred <- paste0("$", format(monto_promedio_cred, big.mark = ".", decimal.mark = ","))
```

```{r}
valueBox(prettyNum(monto_promedio_cred),
         caption = "Monto Promedio deuda de créditos de consumo en casas comerciales", 
         icon = "fa-solid fa-sack-dollar fa-shake")
```



Deuda Automotriz
===============================================

Column {.tabset}
-----------------------------------------------------------------------

### Chart A

```{r}
# Gráfico torta tenencia deuda automotriz sg sexo 

# Filtrar los datos para aquellos con Tenencia_deuda_tc_casas_comerciales igual a 1
datos_filtrados_auto <- filter(EFH_2, Tenencia_deuda_automotriz == 1)

# Contar la cantidad de hombres y mujeres
conteo_auto<- datos_filtrados_auto %>% count(Gender)
```

```{r}
plot_ly(data = conteo_auto, labels = ~Gender, values = ~n, type = "pie") %>%
  layout(title = "Tenencia de Deuda Automotriz según Género",
         xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         showlegend = TRUE) %>%
   add_trace(marker = list(colors = c("#7a0571", "#057a49")))
```


Column 
----------------------------------------------------------------------

### Chart D

```{r}
# Banner n° total de personas con deuda automotriz
num_deuda_auto <- sum(EFH_2$Tenencia_deuda_automotriz == 1, na.rm = TRUE)

```

```{r}
valueBox(prettyNum(num_deuda_auto),
         caption = "Personas con tenencia de deuda automotriz", 
         icon = "fa-solid fa-car")
```

### Chart E

```{r}
# Banner personas con educación básica y tenencia deuda automotriz
auto_basic <- sum(EFH_2$Tenencia_deuda_automotriz == 1 &
                      EFH_2$Nivel_educacion == 2, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(auto_basic),
         caption = "Personas con educación básica con tenencia de deuda automotriz", 
         icon ="fa-solid fa-car")
```



### Chart F

```{r}
# Banner personas con educación universitaria y tenencia deuda automotriz
auto_uni <- sum(EFH_2$Tenencia_deuda_automotriz == 1 &
                      EFH_2$Nivel_educacion == 5, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(auto_uni),
         caption = "Personas con educación universitaria con tenencia de deuda automotriz", 
         icon ="fa-solid fa-car")
```

### Chart G

```{r}
# Banner n° monto promedio deuda automotriz
# Calcular el promedio del monto de la deuda crédito casas comerciales

monto_promedio_auto <- mean(EFH_3$Monto_deuda_automotriz, na.rm = TRUE)
monto_promedio_auto <- paste0("$", format(monto_promedio_auto, big.mark = ".", decimal.mark = ","))
```

```{r}
valueBox(prettyNum(monto_promedio_auto),
         caption = "Monto Promedio deuda automotriz", 
         icon = "fa-solid fa-sack-dollar fa-shake")
```


Deuda Educacional
===============================================

Column {.tabset}
-----------------------------------------------------------------------

### Chart A

```{r}
# Gráfico torta tenencia deuda educacional
# Filtrar los datos para aquellos con Tenencia_deuda_creditos_educacionales igual a 1
datos_filtrados_educ <- filter(EFH_2, Tenencia_deuda_creditos_educacionales == 1)

# Contar la cantidad de hombres y mujeres
conteo_educ<- datos_filtrados_educ %>% count(Gender)
```

```{r}
plot_ly(data = conteo_educ, labels = ~Gender, values = ~n, type = "pie") %>%
  layout(title = "Tenencia de Deuda Educacional según Género",
         xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         showlegend = TRUE) %>%
   add_trace(marker = list(colors = c("#7a0571", "#057a49")))
```


Column 
----------------------------------------------------------------------

### Chart D

```{r}
# Banner n° total de personas con deuda educacional
num_deuda_educ <- sum(EFH_2$Tenencia_deuda_creditos_educacionales == 1, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(num_deuda_educ),
         caption = "Personas con tenencia de créditos educacionales", 
         icon = "fa-solid fa-user-graduate")
```

### Chart E

```{r}
# Banner personas con educación básica y tenencia deuda educacional
educ_basic <- sum(EFH_2$Tenencia_deuda_creditos_educacionales == 1 &
                      EFH_2$Nivel_educacion == 2, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(educ_basic),
         caption = "Personas con educación básica con tenencia de deuda educacional", 
         icon ="fa-solid fa-user-graduate")
```



### Chart F

```{r}
# Banner personas con educación universitaria y tenencia deuda educacional
educ_uni <- sum(EFH_2$Tenencia_deuda_creditos_educacionales == 1 &
                      EFH_2$Nivel_educacion == 5, na.rm = TRUE)
```

```{r}
valueBox(prettyNum(educ_uni),
         caption = "Personas con educación universitaria con tenencia de deuda educacional", 
         icon ="fa-solid fa-user-graduate")
```



### Chart G

```{r}
# Banner n° monto promedio deuda educacional
monto_promedio_educ <- mean(EFH_3$Monto_deuda_educacional, na.rm = TRUE)
monto_promedio_educ <- paste0("$", format(monto_promedio_educ, big.mark = ".", decimal.mark = ","))

```

```{r}
valueBox(prettyNum(monto_promedio_educ),
         caption = "Monto Promedio deuda educacional", 
         icon = "fa-solid fa-sack-dollar fa-shake")
```